Sistem pakar Sistem pakar merupakan cabang dari Artificial Itellegence (AI) yang cukup tua karena sistem ini mulai dikembangkan pada pertengahan 1960. Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. Sampai saat ini banyak sistem pakar yang dibuat, seperti - MYCIN untuk diagnosis penyakit DENDRAL untuk mengidentifikasi struktur molekul campuran yang tak dikenal XCON dan XSEL untuk membantu konfigurasi sistem komputer besar SOPHIE untuk analisis sirkuit elektronik Prospector digunakan di bidang geologi untuk membantu mencari dan menemukan deposit FOLIO digunakan untuk membantu memberikan keputusan bagi seorang manajer dalam stok dan investasi DELTA dipakai untuk pemeliharaan lokomotif listrik diesel, dan sebagainya

Pengertian sistem pakar Istilah sistem pakar berasal dari istilah knowledge-based expert system. Istilah knowledge-based expert system muncul karena untuk memasukkan masalah, sistem pakar menggunakan pengetahuan seorang pakar yang dimasukkan ke dalam komputer. Seseorang yang bukan pakar menggunakan sistem pakar untuk meningkatkan kemampuan pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk knowledge assistant Menurut Edward Feigenbaum dari Universitas Standford mendefiniskan sistem pakar sebagai “sebuah program komputer cerdas yang menggunakan pengetahuan dan prosedur inferensi untuk memecahkan masalah yang cukup sulit, yang membutuhkan keahlian manusia yang signifikan sebagai solusi”. Sebuah sistem pakar adalah sebuah program komputer yang menyamai kemampuan pengambilan keputusan dan kemampuan pemecahan masalah dari seorang pakar

Ciri-ciri sistem pakar Ciri-ciri sistem pakar adalah sebagai berikut : a. Terbatas pada domain keahlian tertentu. b. Mampu memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti. c. Mampu menjelaskan alasan-alasan yang diberikannya dengan cara yang dapat dipahami. d. Bekerja berdasarkan kaidah atau rule tertentu. e. Mudah dimodifikasi. f. Basis pengetahuan dan mekanisme inferensi terpisah. g. Keluarannya atau output bersifat anjuran. h. Sistem dapat mengaktifkan kaidah secara searah sesuai, dituntun oleh dialog dengan pengguna

Konsep Dasar Sistem Pakar Konsep dasar sistem pakar meliputi : a Konsep Dasar Sistem Pakar Konsep dasar sistem pakar meliputi : a. Kepakaran (expertise) Kepakaran merupakan suatu pengetahuan yang diperoleh dari pelatihan, membaca dan pengalaman. Kepakaran memungkinkan para ahli dapat mengambil keputusan lebih cepat dan lebih baik daripada seorang yang bukan pakar. Kepakaran meliputi pengetahuan tentang : 1. Fakta-fakta tentang bidang permasalahan tertentu 2. Teori-teori tentang bidang permasalahan tertentu 3. Aturan-aturan dan prosedur-prosedur menurut bidang permasalahan umumnya. 4. Aturan heuristic yang harus dikerjakan dalam suatu situasi tertentu 5. Strategi global untuk memecahkan permasalahan 6. Pengetahuan tentang pengetahuan (meta knowledge)

b. Pakar (expert) Pakar adalah seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus serta mampu menerapkannya untuk memecahkan masalah atau memberi nasihat. Seorang pakar harus mampu menjelaskan dan mempelajari halhal baru yang berkaitan dengan topik permasalahan, jika perlu harus mampu menyusun kembali pengetahuan-pengetahuan yang didapatkan dan dapat memecahkan aturan-aturan serta menentukan relevansi kepakarannya. Seorang pakar mampu melakukan kegiatan-kegiatan berikut ; 1. Mengenali dan memformulasikan permasalahan 2.. Memecahkan permasalahan secara cepat dan tepat 3. Menerangkan pemecahannya 4. Belajar dari pengalaman 5. Merestrukturisasi pengetahuan 6. Memecahkan aturan-aturan 7. Menentukan relevansi

c. Pemindahan kepakaran (transferring expertise) Tujuan dari sistem pakar adalah memindahkan kepakaran dari seorang pakar ke dalam komputer, kemudian ditransfer kepada orang lain yang bukan pakar. Proses ini melibatkan empat kegiatan, yaitu : 1. Akusisi pengetahuan (dari pakar atau sumber lain) 2. Representasi pengetahuan (pada komputer) 3. Inferensi pengetahuan 4. Pemindahan pengetahuan ke pengguna. d. Inferensi (inferencing) Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan dalam melakukan penalaran. Inferensi ditampilkan pada suatu komponen yang disebut mesin inferensi yang mencakup prosedur-prosedur mengenai pemecahan masalah. Semua pengetahuan yang dimiliki oleh seorang pakar disimpan pada basis pengetahuan oleh sistem pakar. Tugas mesin inferensi adalah mengambil kesimpulan berdasarkan basis pengetahuan yang dimilikinya

e. Aturan-aturan (rule) Kebanyakan software sistem pakar komersial adalah sistem yang berbasis rule (rule based systems), yaitu pengetahuan disimpan terutama dalam bentuk rule, sebagai prosedur-prosedur pemecahan masalah. f. Kemampuan menjelaskan (explanation capability) Fasilitas lain dari sistem pakar adalah kemampuannya untuk menjelaskan saran atau rekomendasi yang diberikan oleh sistem pakar. Penjelasan dilakukan dalam subsistem yang disebut subsistem pejelasan (explanation). Bagian dari sistem ini memungkinkan sistem untuk memeriksa penalaran yang dibuatnya sendiri dan menjelaskan operasi-operasinya

Struktur sistem pakar Ada dua bagian penting dari sistem pakar, yaitu Lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). 1. Lingkungan pengembangan digunakan oleh pembuat sistem pakar untuk membangun komponen-komponenya dan memasukkan pengetahuan ke dalam knowledge base (basis pengetahuan). 2. Lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan pengetahuan dan nasihat dari sistem pakar layaknya berkonsultasi dengan sistem pakar

Gambar Struktur sistem pakar Sumber : Efraim Turban (2005:722)

a. Basis pengetahuan (knowledge base) Setelah menerima bidang kepakaran yang telah diaplikasikan pada sistem pakar, kemudian mengumpulkan pengetahuan yang sesuai dengan domain keahlian tersebut. Pengetahuan yang dikumpulkan tersebut tidak bisa diaplikasikan begitu saja dalam sistem. Pengetahuan harus direpresentasikan dalam format tertentu dan dihimpun dalam suatu basis pengetahuan. Basis pengetahuan merupakan inti program sistem pakar . Basis pengetahuan mengandung pengetahuan yang diperlukan untuk memahami, merumuskan dan menyelesaikan malasah. Basis pengetahuan terdiri dari dua elemen dasar, yaitu : 1. Fakta, misalnya situasi, kondisi atau permasalahan yang ada. 2. Aturan (rule), untuk mengarahkan penggunaan pengetahuan dalam memecahkan Pengetahuan yang dilakukan pada sistem pakar merupakan serangkaian informasi pada domain tertentu. Noise merupakan suatu item yang tidak mempunyai maksud (interest). Noise merupakan data yang masih kabur atau tidak jelas. Data adalah item yang mempunyai makna potensial. Data diolah menjadi pengetahuan. Meta knowledge adalah pengetahuan tentang pengetahuan dan keahlian. Karakteristik pengetahuan yang diperoleh tergantung pada sifat masalah yang akan diselesaikan, tipe dan tingkat pengetahuan seorang pakar. Pengetahuan dapat digolongkan menjadi dua kategori, yaitu: pengetahuan deklaratif dan pengetahuan prosedural

Pengetahuan deklaratif menggunakan basis logika dan pendekatan relasi Pengetahuan deklaratif menggunakan basis logika dan pendekatan relasi. Representasi logika menggunakan logika proporsional dan logika predikat. Model relasi menggunakan jaringan semantik, graf dan pohon keputusan (decision tree). Pengetahuan prosedural menggunakan algoritma sebagai prosedural pemecahan masalah. Contoh dari beberapa representasi pengetahuan yaitu : 1. Aturan produksi Pengetahuan direpresentasikan dalam bentuk pasangan kondisi-aksi. IF kondisi ini (atau premis atau enteseden) terjadi, THEN beberapa tindakan (atau hasil atau kesimpualan atau konsekuensi) akan (atau sebaiknya) tejadi. Dua tipe aturan yang umum dalam Artificial Intellegence (AI): pengetahuan dan inferensi. Aturan pengetahuan atau aturan deduktif, menyatakan semua fakta dan hubungan tentang persoalan. Aturan inferensi atau aturan prosedural, sebaliknya, menyarankan tentang bagaimana memecahkan persoalan dengan mengetahui fakta tertentu. Knowledge engineer memisahkan dua tipe aturan : aturan pengetahuan ke basis pengetahuan, sedangkan aturan inferensi menjadi bagian mesin inferensi.

2. Jaringan semantik Jaringan semantik berfokus pada hubungan antara konsep yang berbeda. Jaringan semantik adalah gambaran grafis pengetahuan terdiri dari node dan link. Node merepresentasikan objek dan informasi deskriptif tentang objek. Node diinterkoneksikan dengan link atau busur yang menunjukkan hubungan antara berbagai objek dan faktor deskriptif 3. Frame Frame adalah struktur data yang menyertakan semua pengetahuan tentang objek tertentu . Frame mencakup objek kompleks, seluruh situasi atau persoalan manajerial sebagai entitas tunggal. Pengetahuan dalam frame dipartisi dalam slot. Slot dapat mendeskripsikan pengetahuan deklaratif atau pengetahuan prosedural. Frame mencakup dua elemen dasar : slot dan facet (subslot). Slot adalah set atribut yang mendeskripsikan objek yang direpresentasikan oleh frame. Facet mendeskripsikan beberapa pengetahuan atau informasi prosedural tentang informasi dalam slot. 4. Logika formal Dua bentuk dasar logika komputasi adalah logika proporsional dan logika predikat. Pada logika proporsional digunakan simbol misalnya huruf alfabet, untuk merepresentasikan proposisi, premis atau kesimpulan Pada logika predikat, fakta dan observasi dalam domain persoalan didefinisikan sebagai premis, yang digunakan oleh proses logika untuk mendapatkan fakta baru dan kesimpulan

b. Mesin inferensi (inference engine) Mesin inferensi adalah sebuah program yang berfungsi untuk memandu proses penalaran terhadap suatu kondisi berdasarkan pada basis pengetahuan yang ada, memanipulasi dan mengarahkan kaidah, model dan fakta yang disimpan dalam basis pengetahuan untuk mencapai solusi atau kesimpulan. Secara deduktif, mesin inferensi memilih pegetahuan yang relevan dalam rangka mencapai kesimpulan. Sistem pakar ini dapat menjawab pertanyaan pemakai meskipun jawaban tersebut tidak tersimpan secara eksplisit di dalam basis pengetahuan. Mesin inferensi memulai pelacakannya dengan mencocokan kaidah-kaidah dalam basis pengetahuan dengan faktafakta yang ada. Pada prosesnya, mesin inferensi menggunakan strategi pengendalian, yaitu strategi yang befungsi sebagai panduan arah dalam melakukan proses penalaran. Ada tiga teknik pengendalian yang digunakan, yaitu :

1. Runut maju (forward chaining) Forward chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Jika ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Setiap kali pencocokan, dimulai dari rule teratas. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi. Pada metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan. Metode inferensi forward chaining cocok digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis)

2. Runut balik (backward chaining) Backward chaining adalah metode inferensi yang bekerja mundur ke arah kondisi awal. Proses diawali dari goal (yang berada dibagian THEN dari rule IF-THEN), kemudian pencarian mulai dijalankan untuk mencocokan apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF. Jika cocok, rule dieksekusi, kemudian hipotesis di bagian THEN ditempatkan di basis data sebagai fakta baru. Jika tidak cocok, simpan premis di bagian IF ke dalam stack sebagai sub goal. Proses berakhir jika goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari sub goal atau goal. Backward chaining disebut juga sebagai goal-driven reasoning, merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai pemilihan terstruktur. Tujuan inferensi adalah mengambil pilihan terbaik dari banyak kemungkinan. Metode inferensi backward chaining ini cocok digunakan untuk memecahkan masalah diagnosis 3. Metode gabungan Selain menggunkan metode runut maju dan runut balik, sebuah aplikasi sistem pakar juga bisa menggunakan gabungan dari kedua metode tersebut

c. Antarmuka pemakai (user interface) Digunakan sebagai media komunikasi antara pengguna dan sistem pakar. Komunikasi ini paling bagus bila disajikan dalam bahasa alami (natural language) dan dilengkapi dengan grafik, menu dan formulir elektronik. Pada bagian ini akan terjadi dialog antara sistem pakar dan pengguna. d. Akusisi pengetahuan Subsistem ini digunakan untuk memasukkan pengetahuan dari seorang pakar dengan cara merekayasa pengetahuan agar bisa diproses oleh komputer dan menaruhnya ke dalam basis pengetahuan dengan format tertentu (dalam bentuk representasi pengetahuan). Sumber-sumber pengetahuan bisa diperoleh dari pakar, buku, dokumen multimedia, basis data, laporan riset khusus, dan informasi yang terdapat di web Saat membangun sistem besar, seseorang memerlukan knowledge engineer atau pakar elisitasi pengetahuan (pemodelan pengetahuan) untuk berinteraksi dengan satu atau lebih pakar manusia dalam membangun basis pengetahuan. Knowledge engineer membantu pakar menyusun area persoalan dengan menginterpretasikan dan mengintegrasikan jawaban manusia, menyusun analogi, mengajukan contoh pembanding dan menjelaskan kesulitan konseptual

Elisitasi pengetahuan dari pakar dapat dilihat sebagai proses pemodelan pengetahuan dan dapat dilakukan secara manual atau dengan bantuan komputer [TUR-05:760]. Metode elisitasi pengetahuan dapat diklasifikasikan ke dalam tiga kategori, yaitu : 1. Metode manual Metode manual pada dasarnya terdiri dari beberapa jenis wawancara. Knowledge engineer mendapatkan pengetahuan dari pakar atau sumber lain dan kemudian mengodekannya ke dalam basis pengetahuan. Tiga metode manual utama adalah wawancara (terstruktur, semiterstruktur, tidak terstruktur), memantau proses pertimbangan dan mengamati. 2. Metode semiotomatis Metode semiotomatis dibagi ke dalam dua kategori: yang bertujuan mendukung pakar dengan memungkinkan mereka membangun basis pengetahuan dengan sedikit atau tanpa bantuan dari knowledge engineer dan yang ditujukan untuk membantu knowledge engineer dengan memungkinkan mereka mengeksekusi tugas yang diperlukan secara lebih efisien atau efektif. 3. Metode otomatis Pada metode otomatis peranan pakar dan knowledge engineer diminimalisasi atau bahkan dieleminasi. Istilah “otomatis” mengindikasikan bahwa jika dibandingkan dengan metode lain, maka kontribusi dari knowledge engineer dan pakar relatif kecil

e. Daerah kerja (blackboard) Untuk merekam hasil sementara yang akan dijadikan sebagai keputusan dan untuk menjelaskan sebuah masalah yang sedang terjadi, sistem pakar membutuhkan blackboard, yaitu area pada memori yang berfungsi sebagai basis data. Tiga tipe keputusan yang dapat direkam pada blackboard yaitu : 1. Rencana : bagaimana menghadapi masalah 2. Agenda : aksi-aksi potensial yang sedang menunggu untuk dieksekusi 3. Solusi : calon aksi yang akan dibangkitkan f. Subsistem penjelas (explanation subsystem / justifier) Subsistem penjelas berfungsi memberi penjelasan kepada pengguna, bagaimana suatu kesimpulan dapat diambil. Kemampuan seperti ini sangat penting bagi pengguna untuk mengetahui proses pemindahan keahlian pakar maupun dalam pemecahan masalah

g. Sistem perbaikan pengetahuan (knowledge refining system) Kemampuan memperbaiki pengetahuan (knowledge refining system) dari seorang pakar diperlukan untuk menganalisis pengetahuan belajar dari kesalahan masa lalu, kemudian memperbaiki pengetahuannya sehingga dapat digunakan di masa mendatang. Kemampuan evaluasi diri seperti itu diperlukan oleh program agar dapat menganalisis alasan-alasan kesuksesan dan kegagalannya dalam mengambil kesimpulan. Cara ini dapat menghasilkan basis pengetahuan yang lebih baik dan penalaran yang lebih efektif h. Pengguna (user) Pada umumnya pengguna sistem pakar bukanlah seorang pakar (nonexpert) yang membutuhkan solusi, saran atau pelatihan (training) dari berbagai permasalahan yang ada

Berikut ini adalah tim pengembangan sistem pakar :

Tim pengembangan sistem pakar terdiri dari : a Tim pengembangan sistem pakar terdiri dari : a. Domain expert adalah pengetahuan dan kemampuan seorang pakar untuk menyelesaikan masalah terbatas pada keahliannya saja. b. Knowledge engineer (perekayasa pengetahuan) adalah orang yang mampu mendesain, membangun dan menguji sebuah sistem pakar. c. Programmer adalah orang yang membuat program sistem pakar, mengkode domain pengetahuan agar dapat dimengerti oleh komputer. d. Project manager adalah pemimpin dalam tim pengembangan sistem pakar. e. End user (biasanya disebut user saja) adalah orang yang mengggunakan sistem pakar

Seorang pakar mempunyai pengetahuan tentang masalah yang khusus Seorang pakar mempunyai pengetahuan tentang masalah yang khusus. Pada hal ini disebut domain knowledge. Penggunaan kata “domain” untuk memberikan penekanan pengetahuan pada problem yang spesifik. Pakar menyimpan domain knowledge pada Long Term Memory (LTM) atau ingatan jangka panjangnya Gambar Pemecahan masalah pada pakar

Ketika pakar akan memberikan nasihat atau solusi kepada seseorang, pakar terlebih dahulu menentukan fakta-fakta dan menyimpannya ke dalam Short Term Memory (STM) atau ingatan jangka pendek. Kemudian pakar memberikan solusi tentang masalah tersebut dengan mengkombinasikan fakta-fakta pada STM dengan pengetahuan LTM. Dengan menggunakan proses ini pakar mendapatkan informasi baru dan sampai pada kesimpulan masalah. Gambar menunjukan berkas diagram pemecahan masalah dengan pendekatan yang digunakan pakar Sistem pakar dapat memecahkan masalah menggunakan proses yang sama dengan metode yang digunakan oleh pakar, struktur yang digunakan ditunjukan pada gambar. Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak